Hyperlokale Datenanalyse für mobile Park App

Zusammenfassung

Für Parkster, einen der größten Anbieter in Europa im Bereich Mobile Parking, haben wir neben der Optimierung der Online Kennzahlen auch ein einheitliches und übersichtliches, aber immer noch hyperlokales Reporting entwickelt. 

Dabei fokussierten wir uns auf zwei Aspekte - Hyperlokale Erkenntnisse um das Parkverhalten auf Stadt und regionaler Ebene. Ziel war es das Parkverhalten besser vorhersagen zu können und den Marketing Funnel zu verstehen. Dabei waren die Kernfragen: Wann Nutzer die App herunterladen, sich registrieren oder Parkvorgänge starten.

Über unseren Case Study Partner

Einfacheres Parken. Ohne zusätzliche Kosten. Das ist Parkster. Gehen Sie ohne Stress oder Sorgen Ihren Aktivitäten nach ohne die Verlängerung der Parkzeit im Auge behalten zu müssen. Kehren Sie zu Ihrem Auto zurück, wann Sie es wollen – und nicht, weil Ihre Parkzeit gleich abläuft. Bezahlen Sie Ihre Parkgebühren monatlich und sagen Sie Knöllchen „auf Nimmerwiedersehen“. Alles bequem. Alles ganz einfach. Mit der Parkster App.

Hyperlokale Datenanalyse

Da Parkster in mehreren europäischen Ländern vertreten ist war von Anfang an eine große Datenmenge vorhanden, welche auch notwendig ist um Datenanalysen auf einem hohen Niveau durchzuführen. Allerdings mussten wir zunächst alle Daten aus verschiedenen Quellen zusammenbringen. Ebenso mussten wir die Daten in eine analysierbare Form bringen und von Ausreißern und fehlerhaften Datensätzen bereinigen. Danach konnten wir zunächst mit Städte-Clustern und dann aus den "Learnings" direkt auf Städte-Level automatisiere Analysen und Reportings bereitstellen. Dies wurde dann weiter mit den Online Marketing Kennzahlen verbunden um letztendlich die "Customer-Journey" besser zu verstehen und Kundenakquisitionskosten zu senken.

Datenaufbereitung

Mit mehr Daten ergeben sich mehr Probleme, aber auch mehr Möglichkeiten. Um ein Analyseprojekt erfolgreich umzusetzen, müssen zunächst alle Daten an einem zentralen Ort gebündelt werden. Zunächst lag der Fokus auf der Datenqualität, Datenbereinigung und Datenformatierung.

Dabei stellen wir sicher, dass die Daten von hoher Qualität sind, indem wir fehlende Werte, Ausreißer und inkonsistente Daten identifizieren, korrigieren oder entfernten. Saubere Daten sind essenziell für verlässliche Analyseergebnisse. Der zweite Schritt ist dabei die Daten in ein einheitliches Format zu bringen. Einheitliche Zeit Stempel, Länder- oder Stadtkürzel oder Datentypen im allgemeinen erleichtern die Vergleichbarkeit und Interpretation der Daten.

Abschließend müssen Zahlen in die richtige Aggregationsstufe gebracht werden, um sinnvolle Einblicke zu gewinnen. Je nach Analyseziel müssen Daten zum Beispiel auf Stunden-, Tage- oder Monatsbasis aggregiert werden. Andere Aggregationsstufen waren unter anderem Stadt-, Postleitzahlbasis usw.